1
00:00:00,000 --> 00:00:03,394
♪ (música) ♪

2
00:00:03,394 --> 00:00:05,633
[Narradora] Bienvenidos
a Conversaciones Nobel.

3
00:00:06,992 --> 00:00:10,103
En este episodio,
Josh Angrist y Guido Imbens

4
00:00:10,103 --> 00:00:13,446
están reunidos con Isaiah Andrews
para debatir y discrepar

5
00:00:13,446 --> 00:00:15,221
sobre el papel
del aprendizaje automático

6
00:00:15,221 --> 00:00:16,816
en la econometría aplicada.

7
00:00:17,894 --> 00:00:19,896
[Isaiah] Bien, por supuesto
que hay muchos temas

8
00:00:19,896 --> 00:00:21,465
en los que ustedes
están muy de acuerdo,

9
00:00:21,465 --> 00:00:22,595
pero me gustaría pasar a uno

10
00:00:22,595 --> 00:00:24,365
sobre el que tal vez
opinen algo distinto.

11
00:00:24,365 --> 00:00:26,103
Me gustaría escuchar
algunas de sus opiniones

12
00:00:26,103 --> 00:00:27,319
sobre el aprendizaje automático

13
00:00:27,319 --> 00:00:30,257
y el papel que desempeña
y desempeñará en la economía.

14
00:00:30,257 --> 00:00:31,858
[Guido] He consultado
algunos datos,

15
00:00:31,858 --> 00:00:33,349
como los datos privados.

16
00:00:33,349 --> 00:00:35,306
Vemos que no hay
ningún documento publicado allí.

17
00:00:36,835 --> 00:00:39,609
Se hizo un experimento
sobre algún algoritmo de búsqueda

18
00:00:40,300 --> 00:00:41,810
y la cuestión era...

19
00:00:42,581 --> 00:00:45,492
se trataba de clasificar cosas
y cambiar la clasificación.

20
00:00:45,990 --> 00:00:47,163
Y estaba más o menos claro

21
00:00:47,163 --> 00:00:50,271
que iba a haber
mucha heterogeneidad.

22
00:00:52,110 --> 00:00:55,864
Si buscas, digamos,

23
00:00:58,122 --> 00:01:00,640
una foto de Britney Spears,

24
00:01:00,640 --> 00:01:02,505
realmente no importa
dónde la clasifiques

25
00:01:02,505 --> 00:01:05,214
porque vas a encontrar
lo que estás buscando,

26
00:01:06,196 --> 00:01:07,580
ya sea que la clasifiques

27
00:01:07,580 --> 00:01:09,744
en primera, segunda
o tercera posición.

28
00:01:10,270 --> 00:01:12,346
Pero si estás buscando
el mejor libro de econometría,

29
00:01:14,094 --> 00:01:16,510
ya sea que pongas tu libro
en el primer lugar o en el décimo,

30
00:01:16,510 --> 00:01:18,340
eso va a suponer
una gran diferencia

31
00:01:18,340 --> 00:01:19,835
en la frecuencia

32
00:01:19,835 --> 00:01:21,286
con la que la gente
hará clic en él.

33
00:01:22,060 --> 00:01:23,312
Así que ahí...

34
00:01:23,312 --> 00:01:24,326
[Josh] ¿Por qué necesito

35
00:01:24,326 --> 00:01:27,314
el aprendizaje automático
para descubrir eso?

36
00:01:27,314 --> 00:01:29,463
Porque parece que puedo descubrirlo
de forma sencilla.

37
00:01:29,463 --> 00:01:30,517
[Guido] En general...

38
00:01:30,517 --> 00:01:32,233
[Josh] Había
un montón de posibles...

39
00:01:32,233 --> 00:01:34,233
[Guido]...quieres pensar
que los artículos

40
00:01:34,233 --> 00:01:37,920
tienen un montón
de características,

41
00:01:37,920 --> 00:01:38,940
que quieres entender

42
00:01:38,940 --> 00:01:43,650
lo que impulsa la heterogeneidad
en el efecto de...

43
00:01:43,669 --> 00:01:44,876
[Josh] Pero solo estás prediciendo.

44
00:01:44,876 --> 00:01:46,570
En cierto sentido,

45
00:01:46,570 --> 00:01:47,793
estás resolviendo
un problema de marketing.

46
00:01:47,793 --> 00:01:49,210
[Guido] No, es un efecto causal,

47
00:01:49,210 --> 00:01:51,738
[Josh] Es causal, pero no tiene
contenido científico.

48
00:01:51,738 --> 00:01:52,809
Piensa en...

49
00:01:53,669 --> 00:01:55,456
[Guido] No,
pero hay cosas similares

50
00:01:55,456 --> 00:01:57,243
en el ámbito médico.

51
00:01:57,693 --> 00:01:59,312
Si haces un experimento,

52
00:01:59,312 --> 00:02:02,492
puedes estar muy interesado
en si el tratamiento funciona

53
00:02:02,492 --> 00:02:03,821
para algunos grupos o no.

54
00:02:03,821 --> 00:02:05,946
Y tienes un montón
de características individuales,

55
00:02:05,946 --> 00:02:08,109
y quieres buscar sistemáticamente...

56
00:02:08,109 --> 00:02:09,883
[Josh] Sí.
Tengo mis dudas sobre esa...

57
00:02:09,883 --> 00:02:12,588
esa especie de idea de que hay
un efecto causal personal

58
00:02:12,588 --> 00:02:13,902
que me debería importar

59
00:02:13,902 --> 00:02:15,164
y que el aprendizaje automático

60
00:02:15,164 --> 00:02:17,103
puede descubrirlo
de alguna manera que sea útil.

61
00:02:17,517 --> 00:02:18,678
Así que piensa en...

62
00:02:18,678 --> 00:02:20,182
He trabajado mucho en las escuelas,

63
00:02:20,182 --> 00:02:22,358
yendo a, digamos,
una escuela chárter,

64
00:02:22,358 --> 00:02:24,498
una escuela privada
financiada con fondos públicos,

65
00:02:24,780 --> 00:02:27,392
efectivamente,
que es libre de estructurar

66
00:02:27,392 --> 00:02:29,587
su propio plan de estudios
en función del contexto.

67
00:02:29,587 --> 00:02:30,938
Algunos tipos de escuelas chárter

68
00:02:30,938 --> 00:02:33,379
consiguen
un rendimiento espectacular

69
00:02:33,959 --> 00:02:36,321
y en el conjunto de datos
que produce ese resultado,

70
00:02:36,321 --> 00:02:37,968
tengo un montón de covariables.

71
00:02:37,968 --> 00:02:39,584
Tengo
las puntuaciones de referencia

72
00:02:39,584 --> 00:02:41,321
y los antecedentes familiares,

73
00:02:41,321 --> 00:02:45,524
la educación de los padres,
el sexo del niño, la raza del niño.

74
00:02:46,600 --> 00:02:49,758
Y, bueno, en cuanto reúno
media docena de ellas,

75
00:02:49,758 --> 00:02:51,751
tengo un espacio
de muy alta dimensión.

76
00:02:52,391 --> 00:02:55,394
Sin duda, me interesan
las características del curso

77
00:02:55,394 --> 00:02:56,803
de ese efecto del tratamiento

78
00:02:56,803 --> 00:02:58,688
como; por ejemplo, si es mejor
para las personas

79
00:02:58,688 --> 00:03:02,540
que provienen de familias
con menores ingresos.

80
00:03:02,540 --> 00:03:05,656
Me cuesta creer
que haya una aplicación

81
00:03:07,456 --> 00:03:09,970
para la versión
de muy alta dimensión,

82
00:03:09,970 --> 00:03:12,499
en la que descubrí
que para los niños no blancos

83
00:03:12,499 --> 00:03:15,280
que tienen
ingresos familiares altos

84
00:03:15,280 --> 00:03:17,747
pero puntuaciones de referencia
en el tercer cuartil

85
00:03:17,747 --> 00:03:20,535
y que solo fueron
a la escuela pública

86
00:03:20,535 --> 00:03:23,128
en el tercer grado
pero no en el sexto.

87
00:03:23,128 --> 00:03:25,681
Así que eso es lo que produce
ese análisis de alta dimensión.

88
00:03:25,681 --> 00:03:27,938
Es una declaración condicional
muy elaborada.

89
00:03:28,328 --> 00:03:30,702
Hay dos cosas que están mal,
en mi opinión.

90
00:03:30,702 --> 00:03:32,418
En primer lugar, no lo veo como...

91
00:03:32,418 --> 00:03:34,492
No puedo imaginar
por qué es algo procesable.

92
00:03:34,492 --> 00:03:36,518
No sé por qué
querrías actuar sobre ello.

93
00:03:36,518 --> 00:03:39,381
Y también sé que hay
algún modelo alternativo

94
00:03:39,381 --> 00:03:42,856
que encaja casi igual de bien,
que lo invierte todo.

95
00:03:42,978 --> 00:03:44,591
Porque el aprendizaje automático

96
00:03:44,591 --> 00:03:48,473
no me dice que este es realmente
el predictor que importa,

97
00:03:48,473 --> 00:03:50,779
solo me dice que este es
un buen predictor.

98
00:03:51,396 --> 00:03:54,875
Así que creo,
que hay algo diferente

99
00:03:54,875 --> 00:03:57,688
en el contexto
de las ciencias sociales.

100
00:03:57,688 --> 00:04:00,270
[Guido] Creo que las aplicaciones
de las ciencias sociales

101
00:04:00,270 --> 00:04:03,922
de las que hablas
son aquellas en las que, creo,

102
00:04:03,922 --> 00:04:07,923
no hay una gran cantidad
de heterogeneidad en los efectos.

103
00:04:09,760 --> 00:04:13,610
[Josh] Bueno, podría haberla
si me permites llenar ese espacio.

104
00:04:13,610 --> 00:04:15,648
[Guido] No... ni siquiera entonces.

105
00:04:15,648 --> 00:04:18,506
Creo que para muchas
de esas intervenciones,

106
00:04:18,506 --> 00:04:22,840
se espera que el efecto
sea del mismo signo para todos.

107
00:04:23,550 --> 00:04:27,320
Puede haber pequeñas diferencias
en la magnitud, pero no es...

108
00:04:27,576 --> 00:04:29,968
Porque muchas de estas
diferencias educativas

109
00:04:29,968 --> 00:04:31,612
son buenas para todos.

110
00:04:31,612 --> 00:04:35,932
No es que sean malas
para algunas personas

111
00:04:35,932 --> 00:04:37,408
y buenas para otras

112
00:04:37,408 --> 00:04:39,797
y luego hay unos pocos casos
en los que son malas.

113
00:04:40,189 --> 00:04:43,633
Pero puede haber algo
de variación en la magnitud,

114
00:04:43,633 --> 00:04:44,808
pero se necesitarían

115
00:04:44,808 --> 00:04:47,190
conjuntos de datos
muy muy grandes para encontrarlos.

116
00:04:47,190 --> 00:04:48,985
Estoy de acuerdo en que,
en esos casos,

117
00:04:48,985 --> 00:04:51,393
probablemente no serían
muy procesables de todos modos.

118
00:04:51,881 --> 00:04:54,150
Pero creo que hay
muchos otros escenarios

119
00:04:54,150 --> 00:04:56,483
donde hay mucha más heterogeneidad.

120
00:04:57,046 --> 00:04:59,164
[Josh] Bueno, estoy abierto
a esa posibilidad

121
00:04:59,164 --> 00:05:00,977
y creo que el ejemplo que has dado

122
00:05:00,977 --> 00:05:04,857
es esencialmente
un ejemplo de marketing.

123
00:05:05,938 --> 00:05:09,714
[Guido] No, esos tienen
implicaciones respecto a ello

124
00:05:09,714 --> 00:05:11,596
y esa es la organización,

125
00:05:11,596 --> 00:05:13,708
si tienes que preocuparte por la...

126
00:05:15,358 --> 00:05:17,857
[Josh] Bueno, necesito
ver ese documento.

127
00:05:18,289 --> 00:05:21,490
[Isaiah] Así que, la sensación
que tengo es que...

128
00:05:21,490 --> 00:05:23,371
[Josh] Todavía estamos
en desacuerdo en algo.

129
00:05:23,371 --> 00:05:25,735
- [Isaiah] Sí.
- [Josh] No coincidimos en todo.

130
00:05:25,735 --> 00:05:27,393
[Isaiah] Tengo esa sensación.
[risas]

131
00:05:27,393 --> 00:05:29,470
[Josh] En realidad,
hemos discrepado en esto

132
00:05:29,470 --> 00:05:30,729
porque no estaba para discutir.

133
00:05:30,729 --> 00:05:33,144
[risas]

134
00:05:33,144 --> 00:05:35,600
[Guido] ¿Se está poniendo
algo caluroso aquí?

135
00:05:35,720 --> 00:05:37,854
[Isaiah] Caluroso.
Es bueno que esté caluroso.

136
00:05:37,854 --> 00:05:39,501
La sensación que tengo es, Josh,

137
00:05:39,501 --> 00:05:41,951
que no estás diciendo
que estás seguro

138
00:05:41,951 --> 00:05:44,159
de que no hay manera
de que haya una aplicación

139
00:05:44,159 --> 00:05:45,667
en la que estas cosas sean útiles.

140
00:05:45,667 --> 00:05:47,169
Estás diciendo
que no estás convencido

141
00:05:47,169 --> 00:05:49,444
con las aplicaciones existentes
hasta la fecha.

142
00:05:49,907 --> 00:05:51,665
- Me parece bien.
- [Guido] Estoy muy seguro.

143
00:05:51,858 --> 00:05:54,179
[risas]

144
00:05:54,179 --> 00:05:55,270
[Josh] En este caso.

145
00:05:55,270 --> 00:05:56,791
[Guido] Creo que Josh tiene razón

146
00:05:57,737 --> 00:06:00,101
en que incluso
en los casos de predicción,

147
00:06:01,601 --> 00:06:03,757
donde muchos de los métodos
de aprendizaje automático

148
00:06:03,757 --> 00:06:06,517
realmente se destacan es donde hay
un montón de heterogeneidad.

149
00:06:06,785 --> 00:06:10,400
[Josh] No te importan mucho
los detalles, ¿verdad?

150
00:06:10,400 --> 00:06:11,480
[Guido] Sí.

151
00:06:11,480 --> 00:06:14,752
[Josh] No tiene
un ángulo normativo o algo así.

152
00:06:14,752 --> 00:06:17,535
[Guido] El reconocimiento
de dígitos escritos a mano

153
00:06:17,535 --> 00:06:18,721
y demás...

154
00:06:18,721 --> 00:06:23,861
lo hace mucho mejor
que construir un modelo complicado.

155
00:06:24,201 --> 00:06:26,925
Pero muchas
de las ciencias sociales,

156
00:06:26,925 --> 00:06:28,454
muchas
de las aplicaciones económicas,

157
00:06:28,454 --> 00:06:29,610
en realidad, sabemos mucho

158
00:06:29,610 --> 00:06:32,670
sobre la relación
entre sus variables.

159
00:06:32,670 --> 00:06:34,761
Muchas de las relaciones
son estrictamente monótonas.

160
00:06:35,399 --> 00:06:39,266
La educación va a aumentar
los ingresos de la gente,

161
00:06:39,836 --> 00:06:41,916
sin importar
las características demográficas,

162
00:06:41,916 --> 00:06:44,763
sin importar el nivel
de educación que se tenga.

163
00:06:44,763 --> 00:06:46,325
[Isaiah] Hasta que lleguen
a un doctorado.

164
00:06:46,325 --> 00:06:48,126
[Josh] ¿Eso se aplica
a la escuela de posgrado?

165
00:06:48,126 --> 00:06:49,218
[risas]

166
00:06:49,218 --> 00:06:50,593
[Guido] En un rango razonable.

167
00:06:50,593 --> 00:06:55,592
No va a bajar mucho.

168
00:06:55,592 --> 00:06:58,178
En muchos de los entornos
en los que se destacan

169
00:06:58,178 --> 00:07:00,209
estos métodos
de aprendizaje automático,

170
00:07:00,209 --> 00:07:02,810
hay mucha falta de monotonicidad,

171
00:07:02,810 --> 00:07:04,912
una especie de multimodalidad
en estas relaciones

172
00:07:05,357 --> 00:07:08,475
y van a ser muy poderosos.

173
00:07:08,701 --> 00:07:11,426
Pero sigo sosteniendo lo mismo.

174
00:07:12,538 --> 00:07:17,530
Estos métodos tienen mucho
para ofrecerles a los economistas

175
00:07:17,530 --> 00:07:21,465
y serán una gran parte del futuro.

176
00:07:21,629 --> 00:07:23,183
APLICACIONES
DEL APRENDIZAJE AUTOMÁTICO

177
00:07:23,183 --> 00:07:24,814
[Isaiah] Parece que hay
algo interesante por decir

178
00:07:24,814 --> 00:07:26,139
sobre el aprendizaje automático.

179
00:07:26,139 --> 00:07:27,412
Así que, Guido, me preguntaba

180
00:07:27,412 --> 00:07:29,416
¿podrías dar tal vez
algunos de los ejemplos

181
00:07:29,416 --> 00:07:30,694
que estás pensando

182
00:07:30,694 --> 00:07:32,507
con las aplicaciones
que salen en el momento?

183
00:07:32,507 --> 00:07:35,779
[Guido] Un área
es donde en lugar de buscar

184
00:07:35,779 --> 00:07:37,235
efectos causales promedio

185
00:07:37,235 --> 00:07:39,684
estamos buscando
estimaciones individualizadas,

186
00:07:39,684 --> 00:07:43,212
predicciones de efectos causales,

187
00:07:43,212 --> 00:07:45,856
y allí, los algoritmos
de aprendizaje automático

188
00:07:45,856 --> 00:07:47,384
han sido muy eficaces.

189
00:07:47,958 --> 00:07:49,892
Hasta ahora,
hemos hecho estas cosas

190
00:07:49,892 --> 00:07:51,458
utilizando los métodos de Kernel,

191
00:07:51,458 --> 00:07:53,846
y teóricamente, funcionan muy bien,

192
00:07:53,846 --> 00:07:56,226
y hay quienes comentan
que, formalmente,

193
00:07:56,226 --> 00:07:57,575
no se puede hacer nada mejor.

194
00:07:57,575 --> 00:07:59,422
Pero en la práctica,
no funcionan muy bien.

195
00:08:00,963 --> 00:08:03,570
Las cosas aleatorias
de tipo bosque causal

196
00:08:03,570 --> 00:08:05,833
en las que Stefan Wager
y Susan Athey

197
00:08:05,833 --> 00:08:09,310
han estado trabajando
se utilizan muy ampliamente.

198
00:08:09,537 --> 00:08:11,895
Han sido muy eficaces
en estos entornos

199
00:08:11,895 --> 00:08:14,998
para obtener efectos causales

200
00:08:14,998 --> 00:08:19,118
que varían según las covariables.

201
00:08:19,118 --> 00:08:23,665
Creo que esto es solo el comienzo
de estos métodos.

202
00:08:23,665 --> 00:08:25,605
Pero en muchos casos,

203
00:08:27,201 --> 00:08:29,572
estos algoritmos son muy eficaces,

204
00:08:29,572 --> 00:08:31,481
como en la búsqueda
en grandes espacios

205
00:08:31,481 --> 00:08:36,908
y encontrar las funciones
que se ajustan muy bien

206
00:08:37,228 --> 00:08:40,444
en formas que realmente
no podíamos hacer antes.

207
00:08:41,511 --> 00:08:42,866
[Josh] No conozco ningún ejemplo

208
00:08:42,866 --> 00:08:45,379
en el que el aprendizaje automático
haya generado conocimientos

209
00:08:45,379 --> 00:08:47,260
sobre un efecto causal
que me interese.

210
00:08:47,619 --> 00:08:49,133
Y sí conozco ejemplos

211
00:08:49,133 --> 00:08:51,106
en los que es potencialmente
muy engañoso.

212
00:08:51,485 --> 00:08:53,487
He trabajado con Brigham Frandsen

213
00:08:53,487 --> 00:08:55,916
utilizando, por ejemplo,
bosques aleatorios

214
00:08:55,916 --> 00:08:57,943
para modelar los efectos
de las covariables

215
00:08:57,943 --> 00:08:59,885
en un problema
de variables instrumentales

216
00:09:00,155 --> 00:09:03,328
en el que hay que condicionar
las covariables.

217
00:09:04,270 --> 00:09:06,456
Y no tienes
un sentimiento muy fuerte

218
00:09:06,456 --> 00:09:08,130
sobre la forma funcional para eso,

219
00:09:08,130 --> 00:09:09,845
así que tal vez
se debería curvar...

220
00:09:10,565 --> 00:09:12,814
estar abierto
a un ajuste flexible de la curva.

221
00:09:12,977 --> 00:09:14,484
Y eso te lleva a un camino

222
00:09:14,484 --> 00:09:16,617
donde hay un montón
de no linealidades en el modelo,

223
00:09:17,407 --> 00:09:19,857
y eso es muy peligroso con el VI

224
00:09:19,857 --> 00:09:22,698
porque cualquier tipo
de no linealidad excluida

225
00:09:22,698 --> 00:09:25,945
genera potencialmente
un efecto causal espurio

226
00:09:25,945 --> 00:09:29,384
y Brigham y yo lo mostramos,
creo que muy convincentemente,

227
00:09:29,384 --> 00:09:32,104
en el caso de dos instrumentos

228
00:09:32,684 --> 00:09:34,963
que vienen de un trabajo mío
con Bill Evans,

229
00:09:34,963 --> 00:09:37,295
donde, si se reemplaza...

230
00:09:37,295 --> 00:09:40,896
un estimador tradicional
de mínimos cuadrados en dos etapas

231
00:09:40,896 --> 00:09:42,676
con algún tipo de bosque aleatorio,

232
00:09:42,676 --> 00:09:46,745
se obtienen estimaciones
sin sentido muy precisas.

233
00:09:48,887 --> 00:09:51,560
Creo que eso
es una gran advertencia.

234
00:09:51,560 --> 00:09:53,381
A la vista de esos resultados,

235
00:09:53,571 --> 00:09:55,332
en un ejemplo que me interese

236
00:09:55,332 --> 00:09:57,353
en el que los instrumentos
sean muy simples

237
00:09:57,353 --> 00:10:01,149
y crea que son válidos,
sería escéptico al respecto.

238
00:10:02,280 --> 00:10:06,258
La no linealidad y el VI
no se mezclan muy cómodamente.

239
00:10:06,258 --> 00:10:09,191
[Guido] No, parece que eso
ya es más complicado...

240
00:10:09,621 --> 00:10:11,914
- [Josh] Bueno, es VI...
- [Guido] Sí.

241
00:10:11,914 --> 00:10:13,554
[Josh] pero luego
trabajamos en eso.

242
00:10:13,554 --> 00:10:15,456
[risas]

243
00:10:15,456 --> 00:10:16,862
[Guido] Está bien.

244
00:10:16,862 --> 00:10:18,645
OPORTUNIDADES
PARA PUBLICAR EN REVISTAS

245
00:10:18,645 --> 00:10:20,470
[Guido] Como editor
de Econometrica,

246
00:10:20,470 --> 00:10:22,575
muchos de estos trabajos
llegan a mi escritorio,

247
00:10:22,755 --> 00:10:26,659
pero la motivación no es clara

248
00:10:27,461 --> 00:10:29,706
y, de hecho, realmente no existe.

249
00:10:29,883 --> 00:10:34,875
No son... artículos fundacionales
de tipo semiparamétrico.

250
00:10:35,515 --> 00:10:37,790
Así que, ese es un gran problema.

251
00:10:37,947 --> 00:10:41,364
Un problema relacionado
es que, en econometría,

252
00:10:41,364 --> 00:10:43,726
tenemos la tradición
de estar muy centrados

253
00:10:43,726 --> 00:10:46,448
en estos resultados
asintóticos formales.

254
00:10:46,757 --> 00:10:50,040
Tenemos muchos artículos

255
00:10:50,730 --> 00:10:53,244
en los que la gente
propone un método

256
00:10:53,244 --> 00:10:55,689
y luego establece
las propiedades asintóticas

257
00:10:56,472 --> 00:10:59,345
de una manera muy estandarizada.

258
00:11:00,696 --> 00:11:01,954
[Josh] ¿Es eso malo?

259
00:11:02,202 --> 00:11:06,186
[Guido] Bueno, creo
que les ha cerrado la puerta

260
00:11:06,186 --> 00:11:08,215
a muchos trabajos que no encajan

261
00:11:08,215 --> 00:11:11,328
en la literatura
del aprendizaje automático,

262
00:11:11,328 --> 00:11:13,247
donde muchas cosas
son más algorítmicas.

263
00:11:13,927 --> 00:11:18,323
La gente tenía algoritmos
para hacer predicciones

264
00:11:18,714 --> 00:11:22,490
que resultaron funcionar
mucho mejor que, por ejemplo,

265
00:11:22,490 --> 00:11:23,865
la regresión Kernel no paramétrica.

266
00:11:23,865 --> 00:11:25,128
Durante mucho tiempo,

267
00:11:25,128 --> 00:11:26,920
en econometría
hicimos toda la no paramétrica

268
00:11:26,920 --> 00:11:28,753
y usamos la regresión Kernel.

269
00:11:29,178 --> 00:11:30,969
Y eso fue genial
para probar teoremas.

270
00:11:30,969 --> 00:11:32,637
Podías obtener
intervalos de confianza,

271
00:11:32,637 --> 00:11:34,567
consistencia, normalidad asintótica

272
00:11:34,567 --> 00:11:36,875
y todo iba genial,
pero no era muy útil.

273
00:11:37,101 --> 00:11:39,326
Y las cosas que hicieron
en el aprendizaje automático

274
00:11:39,326 --> 00:11:40,805
son mucho, mucho mejores.

275
00:11:41,540 --> 00:11:42,766
Pero no tenían el problema...

276
00:11:42,766 --> 00:11:44,961
[Josh] Ese no es mi problema
con el aprendizaje automático,

277
00:11:44,961 --> 00:11:46,983
que la teoría sea débil.
[risas]

278
00:11:47,730 --> 00:11:50,768
[Guido] No, pero estoy diciendo
que, en cuanto a la predicción,

279
00:11:51,138 --> 00:11:52,359
lo hace mucho mejor.

280
00:11:52,359 --> 00:11:54,590
[Josh] Sí, es una mejor herramienta
de ajuste de curvas.

281
00:11:54,590 --> 00:11:58,655
[Guido] Pero lo hizo de una manera
que no habría hecho

282
00:11:58,655 --> 00:12:02,399
que esos trabajos fueran
inicialmente fáciles de incorporar

283
00:12:02,399 --> 00:12:04,291
en las revistas de econometría,

284
00:12:04,291 --> 00:12:06,715
porque no estaba probando
el tipo de cosas...

285
00:12:06,990 --> 00:12:09,842
Cuando Breiman hacía
sus árboles de regresión...

286
00:12:09,842 --> 00:12:11,235
simplemente no encajaban.

287
00:12:11,477 --> 00:12:15,815
Creo que le habría sido muy difícil
publicar estas cosas

288
00:12:15,815 --> 00:12:18,183
en las revistas de econometría.

289
00:12:20,124 --> 00:12:23,426
Creo que nos hemos limitado
demasiado

290
00:12:23,457 --> 00:12:27,467
y nos hemos cerrado

291
00:12:27,615 --> 00:12:29,816
a muchos de estos métodos
de aprendizaje automático

292
00:12:29,816 --> 00:12:31,117
que son realmente muy útiles.

293
00:12:31,292 --> 00:12:33,625
Es decir, creo, en general,

294
00:12:33,625 --> 00:12:36,614
que la literatura,
los ingenieros de sistemas

295
00:12:36,614 --> 00:12:39,070
han presentado una gran cantidad
de estos algoritmos,

296
00:12:40,776 --> 00:12:42,635
han propuesto
una gran cantidad de algoritmos

297
00:12:42,635 --> 00:12:44,076
que realmente son muy útiles

298
00:12:44,076 --> 00:12:48,792
y que están afectando la forma
en que haremos el trabajo empírico.

299
00:12:49,674 --> 00:12:52,140
Pero no lo hemos interiorizado
del todo

300
00:12:52,140 --> 00:12:54,500
porque todavía
estamos muy centrados

301
00:12:54,500 --> 00:12:56,276
en obtener estimaciones puntuales

302
00:12:56,276 --> 00:12:59,967
y obtener errores estándar
y obtener valores P

303
00:13:00,247 --> 00:13:02,956
de una manera
que necesitamos superar

304
00:13:02,956 --> 00:13:08,257
para aprovechar plenamente
la fuerza, los beneficios

305
00:13:08,257 --> 00:13:10,564
de la literatura
de aprendizaje automático.

306
00:13:11,374 --> 00:13:14,070
[Isaiah] Por un lado, creo
que entiendo tu punto de vista

307
00:13:14,070 --> 00:13:16,738
de que el marco tradicional
de la econometría

308
00:13:16,738 --> 00:13:19,734
de proponer un método,
demostrar un teorema límite

309
00:13:19,734 --> 00:13:23,403
bajo alguna historia asintótica,
y otra, y otra y otra...

310
00:13:24,429 --> 00:13:26,969
...y luego publicar
el documento, es restrictivo,

311
00:13:26,969 --> 00:13:28,805
y que, en cierto sentido,

312
00:13:28,805 --> 00:13:30,301
al pensar más ampliamente

313
00:13:30,301 --> 00:13:31,862
sobre cómo podría ser
un documento de métodos,

314
00:13:31,862 --> 00:13:33,578
podemos escribir, en cierto sentido,

315
00:13:33,578 --> 00:13:35,339
desde luego que la literatura
de aprendizaje automático

316
00:13:35,339 --> 00:13:36,430
ha encontrado un montón de cosas

317
00:13:36,430 --> 00:13:38,269
que parecen funcionar bastante
bien para una serie de problemas

318
00:13:38,269 --> 00:13:40,984
y ahora están influyendo
sustancialmente en la economía.

319
00:13:41,530 --> 00:13:43,339
Supongo que una pregunta
que me interesa

320
00:13:43,339 --> 00:13:46,278
es cómo piensas en el papel de...

321
00:13:48,754 --> 00:13:50,990
¿Crees que no hay valor
en la parte de la teoría?

322
00:13:50,990 --> 00:13:52,174
Porque supongo

323
00:13:52,174 --> 00:13:54,118
que una pregunta
que a menudo me hago

324
00:13:54,118 --> 00:13:55,729
al ver el resultado

325
00:13:55,729 --> 00:13:57,273
de una herramienta
de aprendizaje automático...

326
00:13:57,273 --> 00:13:59,397
y, en realidad, varios
de los métodos de los que hablaste

327
00:13:59,397 --> 00:14:01,759
tienen resultados inferenciales
desarrollados para ellos,

328
00:14:01,759 --> 00:14:03,918
algo que siempre me pregunto,

329
00:14:03,918 --> 00:14:05,642
una especie de cuantificación
de la incertidumbre

330
00:14:05,642 --> 00:14:06,735
y simplemente...

331
00:14:06,735 --> 00:14:07,801
Tengo mi...

332
00:14:07,801 --> 00:14:09,743
vengo al mundo
con mi punto de vista,

333
00:14:09,743 --> 00:14:11,000
veo el resultado de esta cosa.

334
00:14:11,000 --> 00:14:12,633
¿Cómo debo actualizarlo
en función de eso?

335
00:14:12,633 --> 00:14:14,341
Y en cierto sentido,
si estoy en un mundo

336
00:14:14,341 --> 00:14:16,250
donde las cosas
se distribuyen normalmente,

337
00:14:16,250 --> 00:14:17,271
sé cómo hacerlo.

338
00:14:17,271 --> 00:14:18,350
Aquí no lo sé.

339
00:14:18,350 --> 00:14:21,160
Así que, me interesa escuchar
lo que piensas al respecto.

340
00:14:21,389 --> 00:14:24,106
[Guido] No veo esto
como si fuera a decir

341
00:14:24,106 --> 00:14:26,384
que estos resultados
no son interesantes,

342
00:14:26,384 --> 00:14:27,712
pero habrá un montón de casos

343
00:14:27,712 --> 00:14:29,317
en los que va a ser
increíblemente difícil

344
00:14:29,317 --> 00:14:30,340
obtener esos resultados

345
00:14:30,340 --> 00:14:32,435
y puede que no seamos capaces
de llegar allí

346
00:14:32,435 --> 00:14:34,894
y puede que tengamos
que hacerlo en etapas,

347
00:14:34,894 --> 00:14:36,472
donde primero alguien dice:

348
00:14:36,472 --> 00:14:40,744
"Oye, tengo
este algoritmo interesante

349
00:14:40,744 --> 00:14:42,370
para hacer algo",

350
00:14:42,370 --> 00:14:46,507
y funciona bien
según cierto criterio

351
00:14:47,695 --> 00:14:49,868
en este conjunto de datos
en particular,

352
00:14:50,998 --> 00:14:52,663
y debemos ponerlo en conocimiento.

353
00:14:53,587 --> 00:14:55,276
Y tal vez alguien
descubra una forma

354
00:14:55,276 --> 00:14:58,500
en la que más tarde
se pueda seguir haciendo inferencia

355
00:14:58,500 --> 00:14:59,569
bajo algunas condiciones,

356
00:14:59,569 --> 00:15:01,800
y tal vez no sean condiciones
particularmente realistas.

357
00:15:01,800 --> 00:15:03,889
Entonces, podemos ir más allá.

358
00:15:03,889 --> 00:15:08,443
Pero creo que hemos estado
restringiendo demasiado las cosas

359
00:15:08,443 --> 00:15:09,681
donde dijimos:

360
00:15:09,681 --> 00:15:13,151
"Este es el tipo de cosas
que tenemos que hacer".

361
00:15:13,151 --> 00:15:16,261
Y en cierto sentido, eso se remonta

362
00:15:16,261 --> 00:15:19,993
a la forma en que Josh
y yo pensamos

363
00:15:19,993 --> 00:15:22,020
respecto del efecto
del tratamiento local promedio.

364
00:15:22,020 --> 00:15:24,052
Esa no era la forma
en que la gente pensaba

365
00:15:24,052 --> 00:15:25,285
en estos problemas anteriormente.

366
00:15:25,285 --> 00:15:28,513
Había una sensación
de que algunas personas

367
00:15:28,513 --> 00:15:30,570
decían que la forma
de hacer estas cosas;

368
00:15:30,570 --> 00:15:33,722
es decir, primero,
lo que te interesa estimar

369
00:15:34,142 --> 00:15:37,255
y luego hacer lo mejor
que puedas en la estimación.

370
00:15:38,029 --> 00:15:43,936
Y lo que ustedes hacen
es hacerlo al revés.

371
00:15:44,430 --> 00:15:46,743
Ustedes dicen: "Aquí tengo
un estimador

372
00:15:47,393 --> 00:15:50,726
y ahora voy a averiguar
qué está estimando".

373
00:15:50,726 --> 00:15:53,883
Y supongo que vas a decir
por qué crees que es interesante

374
00:15:53,883 --> 00:15:56,615
o tal vez por qué no es interesante
y eso no está bien.

375
00:15:56,615 --> 00:15:58,504
No está permitido
hacerlo de esa manera.

376
00:15:58,813 --> 00:16:01,791
Y creo que deberíamos ser
un poco más flexibles

377
00:16:02,181 --> 00:16:06,579
a la hora de pensar
en cómo ver los problemas

378
00:16:06,579 --> 00:16:11,206
porque creo que nos hemos perdido
algunas cosas por no hacer eso.

379
00:16:11,206 --> 00:16:12,993
¡ISAIAH ANDREWS ARBITRA!

380
00:16:12,993 --> 00:16:15,660
[Josh] Así que, has escuchado
nuestros puntos de vista, Isaiah,

381
00:16:15,660 --> 00:16:18,268
y has visto que no estamos
de acuerdo en algunos puntos.

382
00:16:18,413 --> 00:16:22,500
¿Por qué no nos arbitras
esta disputa? [risas]

383
00:16:22,500 --> 00:16:25,190
[Isaiah] Oh, qué amable eres
al hacerme una pequeña pregunta.

384
00:16:25,190 --> 00:16:26,490
[risas]

385
00:16:26,508 --> 00:16:28,840
Así que supongo que, por un lado,

386
00:16:28,840 --> 00:16:35,240
estoy muy de acuerdo con algo
que Guido dijo antes de... [risas]

387
00:16:35,711 --> 00:16:36,815
Así que, un aspecto

388
00:16:36,815 --> 00:16:38,937
en el que el asunto
del aprendizaje automático

389
00:16:38,937 --> 00:16:40,200
parece relativamente claro

390
00:16:40,200 --> 00:16:42,489
es en los entornos
donde nos interesa

391
00:16:42,489 --> 00:16:45,110
alguna versión de un problema
de predicción no paramétrica.

392
00:16:45,110 --> 00:16:46,799
Así que estoy interesado
en la estimación

393
00:16:46,799 --> 00:16:49,729
de una expectativa condicional
o probabilidad condicional,

394
00:16:49,942 --> 00:16:52,490
y en el pasado, tal vez
habría utilizado un Kernel...

395
00:16:52,490 --> 00:16:53,696
Habría utilizado
una regresión Kernel

396
00:16:53,696 --> 00:16:57,105
o habría utilizado una regresión
en serie, o algo por el estilo.

397
00:16:57,475 --> 00:16:59,225
Parece que, en este momento,

398
00:16:59,225 --> 00:17:00,595
tenemos una idea bastante clara

399
00:17:00,595 --> 00:17:02,884
de que,
en una amplia gama de aplicaciones,

400
00:17:03,064 --> 00:17:04,560
los métodos
de aprendizaje automático

401
00:17:04,560 --> 00:17:05,750
parecen funcionar mejor

402
00:17:05,750 --> 00:17:08,536
para estimar las funciones
de media condicional,

403
00:17:08,536 --> 00:17:10,150
o las probabilidades condicionales,

404
00:17:10,150 --> 00:17:12,208
o varios otros objetos
no paramétricos

405
00:17:12,208 --> 00:17:15,323
que los métodos no paramétricos
más tradicionales

406
00:17:15,323 --> 00:17:17,327
que se estudiaron
en econometría y estadística,

407
00:17:17,327 --> 00:17:19,435
especialmente en entornos
de alta dimensión.

408
00:17:19,480 --> 00:17:22,141
[Josh] ¿Así que, estás pensando
en la puntuación de propensión

409
00:17:22,141 --> 00:17:23,167
o algo así?

410
00:17:23,167 --> 00:17:25,221
- [Isaiah] Sí, exactamente.
- [Guido] Funciones de molestia.

411
00:17:25,221 --> 00:17:27,569
[Isaiah] Sí, cosas como
las puntuaciones de propensión.

412
00:17:28,008 --> 00:17:30,407
Incluso objetos
de interés más directo,

413
00:17:30,407 --> 00:17:32,250
como los efectos del tratamiento
promedio condicional,

414
00:17:32,250 --> 00:17:33,320
que son la diferencia

415
00:17:33,320 --> 00:17:35,189
de dos funciones
de expectativa condicional,

416
00:17:35,189 --> 00:17:36,431
potencialmente cosas así.

417
00:17:36,611 --> 00:17:40,190
Por supuesto, incluso allí,
la teoría...

418
00:17:40,420 --> 00:17:43,596
La inferencia de la teoría
de cómo interpretar,

419
00:17:43,596 --> 00:17:45,950
cómo hacer declaraciones
de muestras grandes

420
00:17:45,950 --> 00:17:47,740
sobre algunas de estas cosas
están menos desarrolladas

421
00:17:47,740 --> 00:17:49,435
dependiendo del estimador
de aprendizaje automático

422
00:17:49,435 --> 00:17:50,608
que se utilice.

423
00:17:50,608 --> 00:17:53,184
Y así, creo que algo
que es complicado

424
00:17:53,184 --> 00:17:54,846
es que podemos tener estos métodos,

425
00:17:54,846 --> 00:17:55,884
que funcionan mucho...

426
00:17:55,884 --> 00:17:57,981
que parecen funcionar mucho mejor
para algunos fines,

427
00:17:57,981 --> 00:18:00,223
pero que tenemos que ser
un poco cuidadosos

428
00:18:00,223 --> 00:18:01,364
en cómo los incorporamos

429
00:18:01,364 --> 00:18:03,441
o cómo interpretamos
las declaraciones resultantes.

430
00:18:03,441 --> 00:18:05,769
Pero, por supuesto,
esa es un área muy, muy activa

431
00:18:05,769 --> 00:18:08,255
ahora mismo en la que la gente
está haciendo un gran trabajo.

432
00:18:08,255 --> 00:18:12,299
Así que, espero ver
mucho más en el futuro.

433
00:18:13,161 --> 00:18:14,818
Un problema
con el aprendizaje automático

434
00:18:14,818 --> 00:18:16,663
que siempre parece un peligro es...

435
00:18:16,663 --> 00:18:18,459
o que a veces es un peligro

436
00:18:18,459 --> 00:18:20,306
y que a veces ha llevado

437
00:18:20,306 --> 00:18:22,213
a aplicaciones
que han tenido menos sentido

438
00:18:22,213 --> 00:18:23,894
es cuando la gente empieza

439
00:18:23,894 --> 00:18:27,252
con un método
que les entusiasma mucho

440
00:18:27,252 --> 00:18:28,506
en lugar de una pregunta.

441
00:18:28,572 --> 00:18:30,406
Así que empezar con una pregunta

442
00:18:30,406 --> 00:18:33,469
donde aquí está el objeto
que me interesa,

443
00:18:33,469 --> 00:18:35,430
aquí está el parámetro de interés,

444
00:18:35,430 --> 00:18:39,242
déjame pensar
en cómo identificaría esa cosa,

445
00:18:39,242 --> 00:18:41,566
cómo recuperaría esa cosa
si tuviera una tonelada de datos.

446
00:18:41,790 --> 00:18:44,145
Vaya, aquí hay una función
de expectativa condicional,

447
00:18:44,145 --> 00:18:46,797
permítanme incorporar un estimador
de aprendizaje automático para eso,

448
00:18:46,797 --> 00:18:48,565
eso parece muy muy sensato.

449
00:18:48,895 --> 00:18:50,276
Mientras que, ya sabes,

450
00:18:50,276 --> 00:18:52,782
si hago una regresión
de la cantidad sobre el precio

451
00:18:53,189 --> 00:18:54,564
y digo que he utilizado

452
00:18:54,564 --> 00:18:56,230
un método
de aprendizaje automático,

453
00:18:56,370 --> 00:18:58,169
tal vez estoy satisfecho
de que eso resuelva

454
00:18:58,169 --> 00:19:00,312
el problema de endogeneidad
que normalmente nos preocupa allí;

455
00:19:00,312 --> 00:19:01,617
tal vez no lo estoy.

456
00:19:01,617 --> 00:19:05,179
Pero, de nuevo, allí
la forma de abordarlo

457
00:19:05,179 --> 00:19:06,484
parece relativamente clara.

458
00:19:06,484 --> 00:19:09,747
Es encontrar tu objeto de interés
y pensar en...

459
00:19:09,747 --> 00:19:11,446
[Guido] Es simplemente incorporar
la economía.

460
00:19:11,446 --> 00:19:12,661
[Isaiah] Exactamente.

461
00:19:12,661 --> 00:19:14,227
[Guido] Y pensar
en la heterogeneidad,

462
00:19:14,227 --> 00:19:15,299
pero aprovechar

463
00:19:15,299 --> 00:19:17,245
el poder de los métodos
de aprendizaje automático

464
00:19:17,245 --> 00:19:20,177
para algunos de los componentes.

465
00:19:20,177 --> 00:19:21,224
[Isaiah] Precisamente.

466
00:19:21,224 --> 00:19:22,260
Exactamente.

467
00:19:22,260 --> 00:19:25,411
Así que la cuestión de interés
es la misma de siempre,

468
00:19:25,411 --> 00:19:26,785
pero ahora tenemos mejores métodos

469
00:19:26,785 --> 00:19:28,481
para estimar
algunas partes de esto.

470
00:19:29,150 --> 00:19:32,659
Lo que parece
más difícil de pronosticar

471
00:19:32,659 --> 00:19:35,253
es que, obviamente,
ocurren muchas cosas

472
00:19:35,253 --> 00:19:37,305
dentro de la literatura
de aprendizaje automático

473
00:19:37,305 --> 00:19:40,180
y las formas limitadas
de incorporarlo

474
00:19:40,180 --> 00:19:41,689
a las que he hecho referencia
hasta ahora

475
00:19:41,689 --> 00:19:43,141
son una parte limitada de eso.

476
00:19:43,141 --> 00:19:45,380
Así que, creo que hay 
muchas otras preguntas interesantes

477
00:19:45,380 --> 00:19:48,336
sobre dónde...
¿a dónde va esta interacción?

478
00:19:48,336 --> 00:19:49,541
¿Qué más podemos aprender?

479
00:19:49,541 --> 00:19:52,959
Y eso es algo en lo que creo
que hay mucho trabajo en curso,

480
00:19:52,959 --> 00:19:54,417
lo que parece muy prometedor,

481
00:19:54,417 --> 00:19:56,430
y no tengo ni idea
de cuál es la respuesta.

482
00:19:56,606 --> 00:20:00,810
[Guido] No, estoy totalmente
de acuerdo con eso,

483
00:20:00,810 --> 00:20:03,526
pero eso lo hace muy emocionante.

484
00:20:03,823 --> 00:20:05,996
Y creo que hay un montón
de trabajo por hacer allí.

485
00:20:05,996 --> 00:20:07,290
Muy bien.

486
00:20:07,290 --> 00:20:08,894
Entonces, Isaiah
está de acuerdo conmigo en eso.

487
00:20:08,894 --> 00:20:10,307
[risas]

488
00:20:10,307 --> 00:20:11,729
[Isaiah] Yo no he dicho eso en sí.

489
00:20:11,729 --> 00:20:13,246
[risas]

490
00:20:13,246 --> 00:20:14,585
♪ (música) ♪

491
00:20:14,585 --> 00:20:16,708
[Narradora] Si desea ver más
de Conversaciones Nobel,

492
00:20:16,708 --> 00:20:17,748
haga clic aquí.

493
00:20:17,986 --> 00:20:20,900
O si quiere aprender más
sobre econometría,

494
00:20:20,900 --> 00:20:23,300
eche un vistazo a la serie
Mastering Econometrics de Josh.

495
00:20:23,307 --> 00:20:26,373
Si quiere saber más
sobre Guido, Josh e Isaiah,

496
00:20:26,373 --> 00:20:28,337
consulte los enlaces
en la descripción.

497
00:20:28,337 --> 00:20:31,657
♪ (música) ♪